BAB V PEMBAHASAN
5.1 Perbandingan Hasil Analisis Faktor dengan Metode Principal Component
Analysis dan Maximum Likelihood
Berdasarkan hasil analisis faktor dengan metode principal component analysis dan maximum likelihood menunjukkan bahwa ada perbedaan yang dapat
dilihat dari nilai communalities, extraction sums of squared loadings, factor transformation matrix, dan faktor yang dihasilkan. Walaupun nilai-nilai tersebut
berbeda, tetapi asumsi analisis faktor dari kedua metode tersebut tetap terpenuhi. Hanya saja berbeda pada faktor yang dihasilkan.
Berikut merupakan tabel ringkasan beberapa indikator yang dijadikan sebagai perbandingan hasil analisis faktor dengan metode principal component analysis dan
metode maximum likelihood.
Tabel 4.14 Ringkasan hasil perbandingan metode principal component
analysis dan metode maximum likelihood.
Variabel Metode
principal component analysis
Metode maximum likelihood
Communalities Extraction sums of
squared loadings
Korelasi hasil
rotasi varimax
Nilai RMSE
Communalities Extraction sums of
squared loadings
Korelasi hasil
rotasi varimax
Nilai RMSE
Pengetahuan Pendidikan
Budaya Ekonomi
Pekerjaan Kesehatan
Ibu Kesehatan
Bayi Petugas
Kesehatan 0.734
0.816 0.754
0.653 0.793
0.550 0.749
0.576 70.312
0.837 0.0409 0.235
0.788 0.653
0.564 0.876
0.518 0.851
0.391 60.950
0.790 0.0222
Universitas Sumatera Utara
Nilai communalities pada hasil analisis faktor dengan metode principal component analysis semua variabel memiliki penjelasan jumlah varians berada di atas
50 , sementara pada metode maximum likelihood ada 2 variabel yang memiliki penjelasan di bawah 50 . Principal component analysis menggunakan total varians
dalam analisisnya, faktor yang duluan dihasilkan akan menghasilkan faktor yang memiliki common variance terbesar, sekaligus specific dan error variance terkecil.
Sementara pada metode maximum likelihood, model faktor yang akan diduga adalah faktor loading dan faktor unik.
Nilai extraction sums of squared loadings yang dihasilkan pada metode principal component analysis 70.312 lebih besar dari nilai eigenvalues pada metode
maximum likelihood 60.950 yang artinya metode principal component analysis memiliki penjelasan lebih besar terhadap varians oleh kedua faktor yang dibentuk
dibandingkan dengan penjelasan kedua faktor yang dihasilkan oleh metode maximum likelihood. Hal ini berkaitan juga dengan metode principal component analysis yang
menggunakan total varians dalam analisisnya. Nilai korelasi pada metode principal component analysis lebih besar 0.837
dibandingkan dengan nilai korelasi pada metode maximum likelihood 0.790, yang artinya korelasi antara kedua faktor yang terbentuk pada metode principal
component analysis lebih kuat merangkum ke-8 variabel independen dibandingkan dengan korelasi antara kedua faktor yang terbentuk pada metode maximum likelihood.
Hal ini sesuai dengan hasil penelitian Rahardi 2006 yaitu bahwa metode principal component analysis sangat bagus untuk mengatasi multikolinearitas antar variabel.
Universitas Sumatera Utara
Nilai RMSE yang dihasilkan pada principal component analysis 0.0409 nilai RMSE pada maximum likelihood 0.0222. Itu artinya, bahwa kesalahanerror
yang dihasilkan oleh maximum likelihood lebih kecil dibandingkan metode principal component analysis. Hal ini sesuai dengan penelitian Dwipurwarni 2009 yaitu
bahwa pendugaan parameter maximum likelihood menimbulkan error lebih kecil dibandingkan dengan principal component analysis.
Dalam penelitian ini, tujuan yang diambil adalah data reduction, yakni untuk membentuk sebuah variabel set baru yang dinamakan faktor untuk menggantikan
sejumlah variabel tertentu. Baik dari hasil analisis faktor dengan metode principal component analysis ataupun dengan maximum likelihood, faktor yang dihasilkan
sebanyak 2 kelompok. Bedanya terdapat pada variabel yang masuk ke faktor 1 dan faktor 2. Pada metode principal component analysis, faktor 1 terdiri dari pendidikan,
budaya, ekonomi, pekerjaan, dan kesehatan ibu; faktor 2 terdiri dari pengetahuan, kesehatan bayi, dan petugas kesehatan. Sementara pada metode maximum likelihood,
faktor 1 terdiri dari pendidikan, budaya, ekonomi, dan pekerjaan; faktor 2 terdiri dari pengetahuan, kesehatan ibu, kesehatan bayi, dan petugas kesehatan.
5.2 Uji Kesesuaian Model Hasil Analisis Faktor dengan Metode Principal
Kategori